a. ¿Qué es umbralización o binarización?

b. ¿Cuál es la diferencia entre umbralización global y local? ¿Cuál es su implementación

en Matlab?
c. ¿Qué es umbral de Otsu?
d. ¿Qué es reducción de ruido en una imagen binaria?
e. ¿Qué es filtro mediano y cómo se implementa en Matlab?
f. ¿Para qué sirven los filtros de suavizado en una imagen?
g. ¿Cuál es la diferencia entre ruido gaussiano y ruido de sal y pimienta?
h. Explique diferentes técnicas de segmentación de imágenes
i. ¿Qué es reconstrucción morfológica?
j. ¿Qué tipos de funciones morfológicas existen y cómo funcionan?

Respuestas:

a. La umbralización es uno de los más importantes métodos de segmentación. El

objetivo es convertir una imagen en escala de grises a una nueva con sólo dos niveles,
de manera que los objetos queden separados del fondo.

El histograma de la Figura 1b corresponde a una imagen compuesta de objetos claros

sobre un fondo oscuro. Una forma de extraer el objeto del fondo es seleccionar un
umbral de intensidad T que separe los dos conjuntos. De este modo, cualquier punto
(𝑥, 𝑦) para el que 𝑓(𝑥, 𝑦) > 𝑇, pertenecerá al objeto, en caso contrario, pertenecerá
al fondo. Si los valores de gris del objeto y del resto de la imagen difieren claramente,
entonces el histograma mostrará una distribución bimodal, con dos máximos
distintos, separados por una región vacía. Con lo cual se logrará una separación
perfecta entre el objeto y el fondo, al establecer un valor umbral ubicado en esta
región del histograma.

si (viejo_píxel>umbral)
nuevo_píxel = MAX
sino
nuevo_píxel = MIN

b. UMBRALIZACIÓN GLOBAL

Esta técnica de umbralización supone que la imagen posee un histograma bimodal,

por lo tanto, el objeto puede ser extraído del resto de la imagen mediante una simple
operación que compare los valores de la imagen con el valor umbral T.

Fig. 4: Histograma bimodal con umbral T.

Para una imagen 𝑓(𝑥, 𝑦), con el histograma de la figura 4, los píxeles del objeto y del
fondo tienen los niveles de gris agrupados en dos modos dominantes. La manera más
obvia de extraer el objeto es seleccionar un umbral T que separe los dos modos.

La imagen 𝑔(𝑥, 𝑦), resultante de aplicar la umbralización, viene definida por:

1 𝑠𝑖 (𝑥, 𝑦) > 𝑇
𝑔(𝑥, 𝑦) = {
0 𝑠𝑖 (𝑥, 𝑦) ≤ 𝑇
El resultado es una imagen binaria, donde los píxeles con valores de intensidad igual
a 1 corresponden al objeto deseado; mientras que los píxeles con valor 0,
corresponder al resto de la imagen.

Para su programación en Matlab se puede hacer uso del método Otsu.

Se usa la siguiente sintaxis:

T = otsuthresh(counts)
[T,EM] = otsuthresh(counts)

La descripción de cada ítem es:

T = otsuthresh(counts) calcula un umbral global a partir de recuentos de histograma,
utilizando el método de Otsu.Tcounts[1] El método de Otsu elige un umbral que
minimiza la varianza intraclase de los píxeles en blanco y negro de los umbrales. El
umbral global se puede utilizar para convertir una imagen en escala de grises en una
imagen binaria.Timbinarize.

[T,EM] = otsuthresh(counts) Devuelve la métrica de efectividad, que indica la

efectividad del umbral.EM

UMBRALIZACIÓN LOCAL O ADAPTATIVA.

Los umbrales locales pueden ser determinados dividiendo una imagen en

subimágenes y calculando los umbrales de dichas subimágenes, o examinando las
intensidades de la imagen en los alrededores de cada píxel. En el primer método,
primero, se divide una imagen en subimágenes rectangulares solapadas, y se obtienen
los histogramas de cada subimagen. Estas subimágenes deben ser los suficientemente
grandes como para abarcar el fondo, y el objeto en cuestión. Si una subimagen tiene
un histograma bimodal, el mínimo entre los dos picos determinará el umbral local.
En caso de que el histograma sea unimodal, el umbral se obtendrá por interpolación
de los umbrales locales de las subimágenes adyacentes. Por último, es necesario
realizar una segunda interpolación para encontrar los umbrales adecuados a cada
píxel.

Se hace uso del mismo método para su programación en Matlab.

Sintaxis:
T = adaptthresh(I)
T = adaptthresh(I,sensitivity)
 T = adaptthresh(___,Name,Value)

Descripción:
T = adaptthresh(I) calcula un umbral adaptable localmente para la imagen en escala
de grises 2-D o el volumen de escala de grises 3D.I La función elige el umbral basado
en la intensidad media local (estadística de primer orden) en la vecindad de cada
píxel.adaptthresh El umbral se puede utilizar con la función para convertir la imagen
en escala de grises en una imagen binaria.Timbinarize

T = adaptthresh(I,sensitivity) calcula un umbral adaptativo localmente con el factor

de sensibilidad especificado por. es un escalar en el intervalo [0, 1] que indica la
sensibilidad hacia el umbral de más píxeles como primer plano.sensitivitysensitivity

T = adaptthresh(___,Name,Value) calcula un umbral adaptativo localmente mediante

pares nombre-valor para controlar los aspectos de la umbral.

c. El método de Otsu, llamado así en honor a Nobuyuki Otsu que lo inventó en 1979,
utiliza técnicas estadísticas, para resolver el problema. En concreto, se utiliza la
varianza, que es una medida de la dispersión de valores (en este caso se trata de la
dispersión de los niveles de gris).

d. En fotografía, el ruido puede definirse como la variación del brillo o de la información

de color de una imagen. El concepto de ruido se asocia al significado de indeseado,
pues se trata de variaciones no deseadas dentro de la imagen. En fotografía
fotoquímica, el ruido suele manifestarse en forma de un grano que, debido a su
estructura, no es considerado tan molesto –desde un punto de vista estético– como el
que encontramos comúnmente en las imágenes digitales. Independientemente de su
estética, la presencia de ruido en una imagen dificulta la percepción de esta, pudiendo
incluso a imposibilitar su correcta lectura en el caso de elevadas cantidades de este.

e. Filtros de mediana

Uno de los principales problemas del método anterior es que difumina los bordes y
otros detalles de contraste. Un método alternativo es utilizar filtros de mediana, en
los que remplazamos el valor de gris de un punto por la mediana de los niveles de
gris de una cierta vecindad.

Recordemos que la mediana m de un conjunto de valores es aquel tal que la mitad de

los valores del conjunto son menores que m y la otra mitad son mayores que m.

La función principal de los filtros de mediana es forzar a los puntos con valores de
intensidad muy distintos a sus vecinos a tener valores más próximos a sus vecinos,
de modo que se eliminan los picos de intensidad que aparecen en áreas aisladas. Un
ejemplo de la utilidad de este tipo de filtro se muestra en la siguiente imagen. La
primera imagen es la original.
Ejemplo:

Figura 7: Eliminación (a) y (b) ruido sal y pimienta con mediana y promedio; (c) y (d) gaus con
mediana y promedio

Este filtro se implementa a Matlab de la siguiente manera:

Sintaxis:
J = medfilt2(I)
J = medfilt2(I,[m n])
J = medfilt2(___,padopt)

Descripción:
J = medfilt2(I) realiza el filtrado de la mediana de la imagen en dos dimensiones.I
Cada píxel de salida contiene el valor mediano en una vecindad de 3 por 3 alrededor
del píxel correspondiente en la imagen de entrada.
Opcionalmente, puede calcular la correlación cruzada normalizada usando una GPU
(requiere).Parallel Computing Toolbox™ Para obtener más información,
consulte.Procesamiento de imágenes en una GPU

J = medfilt2(I,[m n]) realiza el filtrado de mediana, donde cada píxel de salida

contiene el valor de la mediana en la vecindad alrededor del píxel correspondiente en
la imagen de entrada.mn

J = medfilt2(___,padopt) controla la forma en que los límites de la imagen.medfilt2

Esta sintaxis no se admite en una GPU.
f. Las operaciones de suavizado se utilizan para disminuir los efectos negativos que se
pueden presentar en una imagen digital como consecuencia de un sistema de muestreo
pobre o del canal de transmisión. Por ejemplo, ruido.

Promedio de vecinos

Dada una imagen 𝑓(𝑥, 𝑦) de tamaño 𝑁𝑥𝑁, el valor del nivel de gris de la imagen
suavizada 𝑔(𝑥, 𝑦) en el punto (𝑥, 𝑦) se obtiene promediando los valores de nivel de
gris de los puntos de f contenidos en una cierta vecindad de (𝑥, 𝑦).

Esta operación se puede realizar de forma general centrando la máscara en (x, y) y

multiplicando cada punto debajo de la máscara por el correspondiente coeficiente de
la máscara y sumando el resultado.

Ejemplo:

La primera imagen muestra una imagen con ruido y el resultado de aplicar el filtro de
promedio.

El problema de hacer un promedio de vecinos es que aparece una difuminación de

los bordes.

g. El ruido más común es de naturaleza aleatoria Gaussiana –debido a su modelo

matemático de distribución de probabilidad, asociado a una campana de Gauss–.

Es el ruido es inherente a la adquisición de la señal por parte del sensor y su

temperatura, y sus muestras son independientes entre sí –no hay correlación entre
ellas–. Cuanto más escasa sea la luz de una escena, más presencia tendrá el ruido,
incluso usando la sensibilidad nativa del sensor.
 Otro tipo de ruido es el impulsional o «salt and peper» (sal y pimienta), que se
reconoce por presentar píxeles oscuros en zonas claras y viceversa. Suele ser
producido por errores en la transmisión de los datos o errores durante la conversión
analógica-digital, pero debida a su naturaleza son más fáciles de eliminar que las
muestras de ruido aleatorio.

h. La segmentación de imágenes es uno de los procesos más importantes de

procesamiento de imágenes, la segmentación es una técnica usada para dividir o
particionar una imagen en partes, llamadas segmentos, la segmentación es la técnica
más utilizada para aplicaciones como la comprensión de imágenes o reconocimiento
de objetos, porque para estos tipos de aplicación es ineficiente procesar toda la
imagen, esta técnica divide a la imagen en varias partes en función de ciertas
características de imagen, como el valor de intensidad de pixeles, el color y la textura.

Técnicas populares utilizadas para la segmentación de imágenes:

Método de Umbral: Son los métodos más simples de segmentación, dividen los
pixeles de la imagen con respecto a su nivel de intensidad, estos métodos se utilizan
sobre todo en imágenes que tienen objetos más ligeros que fondo, la selección de
estos métodos puede ser manual o automático, es decir puede basarse en
conocimiento previo o en la información de las características de la imagen. Tipos de
umbralización Umbral global. Umbrales variables Umbral Múltiple Se hace usando
cualquier valor de Umbral apropiado/T donde el valor de T será constante para toda
la imagen. Este tipo de umbrales el valor de T puede variar sobre la imagen esto puede
ser de dos tipos: Umbral local: el valor de T depende de la vecindad de X, Y Umbral
adaptativo: el valor de T es una función de X,Y Hay múltiples valores del umbral
como T0 y T1.

Método De Segmentación Basado En Bordes: Los métodos de segmentación

basados en bordes se basan en el cambio rápido del valor de intensidad en una imagen
porque un solo valor de intensidad no proporciona buena información sobre los
bordes. Las técnicas de detección de bordes localizan los bordes y luego se conectan
entre sí para formar los límites del objeto. Para segmentar las regiones requeridas los
métodos básicos de segmentación basados en bordes son 2; HISTOGRAMA EN
GRIS Y MÉTODOS BASADOS EN GRADIANTES. Para detectar los bordes se
 puede utilizar una de las técnicas básicas de detección de aristas como el operador
Sobel, el operador Astuto y el operador de Robert, el resultado de estos métodos es
básicamente una imagen binaria. Estas son las técnicas estructurales basadas en
detección de discontinuidad. MÉTODO DE SEGMENTACIÓN BASADO EN
REGIÓN. Son métodos que segmentan la imagen en varias regiones que tienen
características similares existen 2 tipos de técnicas basadas en este método; • Región
métodos de cultivo; Segmentación basado en crecimiento son métodos que
segmentan la imagen en varias regiones basadas en el crecimiento de semillas (pixeles
iniciales). Estas semillas pueden seleccionarse manualmente (basadas en
conocimientos previos) o automáticamente (basadas en una aplicación particular. •
Métodos de división y fusión de regiones; utilizan dos técnicas básicas la división y
la fusión para segmentar la imagen en varias regiones.

Método de división y fusión de regiones: La división representa, división iterativa

de una imagen en regiones que tienen características similares y la fusión contribuye
a combinar las regiones similares adyacentes. El siguiente diagrama muestra la
división basada en el árbol cuádruple, los pasos básicos del algoritmo para el
crecimiento y la fusión de la región son; sea “P” la imagen original y (t) el predicado
particular. • En primer lugar, el R es igual a P • Cada región se divide en cuadrante
para los cuales T (R1) = falso. • Si para cada región T (Rj) = verdadero se fusionan
las regiones adyacentes Ri and Rj tales que T (Ri U Ri) = verdadero. • Repita el paso
3 hasta que la fusión sea posible.

i. • La morfología matemática se basa en operaciones de teoría de conjuntos. En el caso

de imágenes binarias, los conjuntos tratados son subconjuntos de Z2 y en el de las
imágenes en escala de grises, se trata de conjuntos de puntos con coordenadas en Z
3.
• Las operaciones morfológicas simplifican imágenes y conservan las principales
características de forma de los objetos.
• Un sistema de operadores de este tipo y su composición, permite que las formas
subyacentes sean identificadas y reconstruidas de forma Morfología óptima a partir
de sus formas distorsionadas y ruidosas.
• La morfología matemática se puede usar, entre otros, con los siguientes objetivos:

– Pre-procesamiento de imágenes (supresión de ruidos, simplificación de formas).

– Destacar la estructura de los objetos (extraer el esqueleto, detección de objetos,
envolvente convexa, ampliación, reducción,...)
– Descripción de objetos (área, perímetro,...)